Rilevamento classico di oggetti 2.7.0¶
Per il rilevamento standard di oggetti. L'elenco mostra s / m / l / x / sod; SOD richiama la configurazione effettiva per oggetti piccoli, non una semplice riduzione delle dimensioni di un modello ordinario.
Addestrare da una sola cartella COCO¶
Selezionare una cartella COCO e fare clic su Controlla dataset per verificare classi e numero di immagini di addestramento e validazione. Il software genera la configurazione dati nell'esperimento; non occorre modificare manualmente il file integrato coco_detection.
Le immagini OK senza riquadri partecipano come campioni negativi di sfondo. Senza validazione separata, tutti i campioni di addestramento vengono mantenuti: nessuna suddivisione automatica, validazione o mAP. Loss e tasso di apprendimento restano visibili; non è un errore di addestramento.
L'opzione avanzata Usa configurazione dati YAML mantiene le impostazioni dati del modello; l'utente deve verificare percorsi e classi. I percorsi relativi sono risolti dalla directory di lavoro del rilevamento classico, non automaticamente dalla directory di uno YAML esterno arbitrario.
Altezza e larghezza: tre modalità¶
| Modalità delle dimensioni | Addestramento | Validazione, test ed esportazione |
|---|---|---|
| Usa le dimensioni del modello | Mantieni la configurazione di riferimento, incluso l'addestramento multiscala | Mantieni la configurazione di riferimento |
| Dimensioni fisse | Usa altezza × larghezza specificate e disattiva le dimensioni casuali | Usa la stessa altezza × larghezza |
| Personalizza solo le dimensioni di validazione ed esportazione | Mantieni la strategia originale delle dimensioni di addestramento | Usa altezza × larghezza specificate |
Inserire altezza e larghezza separatamente; entrambe devono essere 96–8192 e multiple di 32. Le dimensioni personalizzate ridimensionano direttamente l'immagine senza mantenere il rapporto d'aspetto originale.
Con altezza 320 e larghezza 640, scegliere la terza modalità per riprodurre la sola modifica di eval_height=320 e eval_width=640. L'addestramento può ancora scegliere dimensioni quadrate dalla configurazione originale: non diventa 320×640. Scegliere la seconda modalità per fissare anche l'addestramento a quel rettangolo.
Se si disattivano anche gli aumenti casuali, la preelaborazione di addestramento cambia di conseguenza; la modalità dimensioni non riattiva gli aumenti disattivati.
Metriche di validazione¶
Con un set di validazione indipendente, la valutazione segue l'intervallo della configurazione del modello; non sono garantite metriche a ogni epoca. I grafici mostrano risultati effettivi del rilevamento come mAP50-95, mAP50 e mAP75. L'accuratezza di classificazione non è una metrica generale di rilevamento di questa pagina.
Assenza del set di validazione, validazione non ancora prevista e validazione senza risultati validi sono stati distinti, segnalati separatamente nei grafici. I valori mancanti non vengono sostituiti con 0; uno 0 effettivamente calcolato viene mantenuto.
Esportazione automatica¶
Dopo l'addestramento viene selezionato automaticamente un checkpoint salvato ed eseguita l'esportazione ufficiale per inferenza. Dopo il successo, export/export_det dell'esperimento contiene generalmente:
model.pdmodel
model.pdiparams
model.pdiparams.info
infer_cfg.yml
Il log di esportazione indica il percorso effettivo. infer_cfg.yml contiene preelaborazione e classi reali; le dimensioni personalizzate si riflettono negli input esportati. L'esportazione usa la CPU anche se l'addestramento ha usato la GPU.
Per ottimizzatori, caricamento e inizializzazione vedere i parametri classici comuni; tutti i controlli sono nella tabella del rilevamento.
Valutazione sul set di addestramento¶
Deselezionato per impostazione predefinita. In modalità COCO, questa opzione valuta tutte le immagini e annotazioni di addestramento al posto di un set di validazione separato, senza suddivisione automatica né modifiche ai dati originali. Viene usato il set di addestramento anche se è disponibile un set di validazione separato. L’opzione è disabilitata quando si usano le impostazioni del dataset YAML.
AP/mAP sul set di addestramento riflette solo l’adattamento a quei dati e non misura la generalizzazione a nuove immagini. La valutazione segue l’intervallo della configurazione del modello. I log originali conservano il miglior AP; i grafici e le metriche storiche indicano la provenienza dei dati di valutazione.